CN101770639A - 一种低照度图像增强方法 - Google Patents

Abstract

一种低照度图像增强方法，步骤如下：(1)输入图像，将大小为M×N图像f(x，y)分为互不重叠、大小相同的矩形区域，设为m×n；(2)设定沃利斯滤波滑动模板B的大小，并选取矩形区域右下角的点为模板的中心点作为中心点，向图像的四周扩展得到模板内的像素；(3)对每个矩形区域，求滤波器模板覆盖图像区域的均值和方差；(4)利用期望均值和方差求出每个矩形区域滤波器的乘性系数和加性系数；(5)利用双线性插值求出图像中不同象素点的乘性系数和加性系数；(6)基于上述系数，利用沃利斯滤波器，计算该点增强处理后的像素灰度值；(7)当滤波器的乘性系数小于1时，对滤波后的图像进行线性拉伸，提高对比度。该方法通用性强，鲁棒性高，具有高增强效果。

Description

一种低照度图像增强方法

(一)技术领域

本发明提供一种低照度图像增强方法，属于图像增强技术领域。具体地说，在低照度成像条件下，基于本发明方法增强低照度成像条件下普通相机成像对比度，提高图像的可视性。另外，本发明方法可应用于医学图像、遥感图像的对比度增强。

(二)背景技术

在雾天、阴雨天和晚上等低照度条件下，采集的图像对比度很低，可视性很差。另外，低照度下图像采集设备中扰动电流干扰明显，图像表现为有大量的闪烁点或不规则条纹，低照度下的噪声使得视频的质量有较大损失，同时也造成视频编码的码率急剧攀升。因此，增强低照度下图像对比度，在民用如智能交通系统、安全监视等以及军事应用中如成像侦查系统中都具有重要的应用价值。

直方图均衡是一种常用的图像对比度增强算法。根据灰度级变换函数计算方式的不同，直方图均衡方法可分为全局直方图均衡和局部直方图均衡。全局直方图均衡方法是基于整个图像的直方图计算灰度变换函数，然后对整个图像做相同的变换，没有考虑图像的局部信息，因此造成部分高频图像信息丢失。针对该问题，出现了许多改进算法，如D.门沃特，L.纳吉曼等的“亮度保持的多直方图均衡图像增强方法”中的方法，I.贾法尔，H.英的“变分直方图均衡灰度图像增强新算法”等。

局部直方图均衡算法的基本思想是根据所关心区域的局部特性来计算灰度变换函数，并应用于相应的区域，因此能够克服全局直方图均衡化难以适应局部灰度分布的缺陷，可以获得较好的对比度增强效果。按照均衡子块的重叠程度来分类，局部直方图均衡算法可分为子块不重叠、子块重叠方法和子块部分重叠方法。由于局部直方图均衡算法需要对整幅图像每个象素点为中心的子块进行直方图均衡化计算，因此计算量大，算法实时性差。虽然子块部分重叠直方图均衡算法提高了计算效率，但是存在块效应以及如何确定最优块重叠量的问题。一种有效的减少局部直方图均衡算法计算量的方法是基于函数插值的方法。其基本思想是用J.B.齐默曼，S.M.皮波尔的“一种自适应直方图均衡图像对比度增性能评估方法”中所描述的插值方法：计算部分采样点上的灰度变换函数，其他采样点的变换函数用其4邻域的变换函数插值计算得到。

K.P.威廉的著作“数字图像处理”(第三版)中介绍的沃利斯滤波器是一种经典的自适应对比度均衡是图像增强算法，其基本思想是将影像的灰度均值和方差(即影像灰度的动态范围)映射到给定的灰度均值和方差值。该滤波器实际上是一种局部影像变换，它使在影像不同位置处的灰度方差和灰度均值都具有近似相等的数值，即影像反差小的区域的反差增大，影像反差大的区域的反差减小，使得影像中灰度的微小变化信息得到增强。上述特性使沃利斯滤波器对低反差影像和反差不均匀的影像有特殊的作用。由于该滤波器在计算影像的局部灰度方差和均值时引入平滑算子，所以它在增强影像有用信息的同时抑制了噪声，提高了影像的信噪比，使影像中存在的极为模糊的纹理模式得到增强。但是，该方法的缺点是分块处理块效应显著，对比度均衡过程中没有考虑邻域像素的灰度。

本发明方法充分利用图像邻域间具有很强空间相似性或空间几何关系的属性，设计了一种自适应沃利斯滤波器低照度图像增强方法。

(三)发明内容

1、目的

克服现有技术的计算量大和没有充分利用图像邻域相关性的不足，提供一种适用性广且计算效率高的低照度下图像增强技术。用户可根据自己需要增强图像类型的不同，方便的设计相应的增强参数，快速实现图像对比度增强。

2、技术方案

本发明具体实施所需设备条件是：①普通的PIV3.4Ghz 1G RAM微机；②社区普通安全监控摄像头；③摄像头物理参数为：型号：NZ-K508，图像传感器：1/3 color SONY Super HADCCD，有效像素：752(H)×582(V)；线数：480线；最低照度：0lux/F1.2；视频输出：1.0Vp-p/75Ω；镜头规格：内置25毫米镜头.

本发明具体实施所需环境条件是：普通社区安全监控成像环境。

本发明是一种低照度下的图像增强方法，它能够在个人用普通计算机上离线实现低照度图像，也可以在DSP嵌入式系统中对768x576标准视频进行实时实现低照度图像增强。本发明是一种低照度成像增强方法，其技术方案如下：

本发明一种低照度下的图像增强方法，其方法步骤如下：

步骤一：首先输入图像，将大小为M×N图像f(x，y)分为互不重叠的矩形区域，如附图1所示，矩形区域大小相同，设为m×n；

步骤二：设定沃利斯滤波滑动模板B的大小，并选取矩形区域右下角的点为模板的中心点作为中心点，如附图2中所示的点(i，j)，向图像的四周扩展得到模板内的像素，若模板覆盖图像的区域超出图像区域，则以模板覆盖到的图像的区域作为模板内的像素；

步骤三：对每个矩形区域，求滤波器模板覆盖图像区域的均值和方差；

步骤四：利用期望均值和方差求出每个矩形区域滤波器的乘性系数和加性系数；

步骤五：利用双线性插值求出图像中不同象素点的乘性系数和加性系数；

步骤六：基于上述系数，利用沃利斯滤波器，计算该点增强处理后的像素灰度值；

步骤七：当滤波器的乘性系数小于1时，对滤波后的图像进行线性拉伸，提高对比度。

3、优点及效果：本发明的图像增强方法与现有图像增强技术相比的优点在于：①通用性强，能够应用于低照度下可见光图像增强、医学图像增强和遥感图像增强；②鲁棒性高，在增强影像有用信息的同时抑制了噪声，提高了影像的信噪比，使影像中存在的极为模糊的纹理细节模式得到增强；③由于采用分块处理，适于用并行流水线处理，具有高增强效率；④已经成功地应用社区监控低照度图像增强；⑤本发明还适用于其他模态的图像如医学X光图像、红外图像和遥感图像的对比度增强，也可应用于低照度下智能交通、安全监视等图像的增强。

(四)附图说明

图1本发明中图像分块示意图；

图2本发明中沃利斯滤波器模板平滑及其覆盖的子块像素灰度值计算示意图；

图3本发明中低照度图像增强流程图；

图中符号说明如下：

1-7图像划分为互不重叠的矩形区域的标识号

(五)具体实施方式

本发明具体实施所需设备条件是：①普通的PIV3.4Ghz 1G RAM微机；②社区普通安全监控摄像头；③摄像头物理参数为：型号：NZ-K508，图像传感器：1/3 color SONY Super HADCCD，有效像素：752(H)×582(V)；线数：480线；最低照度：0lux/F1.2；视频输出：1.0Vp-p/75Ω；镜头规格：内置25毫米镜头.

本发明具体实施所需环境条件是：普通社区安全监控成像环境。

本发明低照度成像增强方法，该方法图像增强的流程如附图3所示。

预备知识：沃利斯滤波器

沃利斯滤波器图像增强方法是一种自适应对比度均衡图像增强方法，其一般形式可以表示为：

$f(x,y)=\frac{[g(x,y)-m_g]\left({\mathrm{cv}}_f\right)}{{\mathrm{cv}}_g+(1-c)v_f}+{\mathrm{bm}}_f+(1-b)m_g$

其中g(x，y)为原始影像的灰度值；f(x，y)为Wallis变换后结果影像的灰度值；m_g为原始影像的局部灰度均值；v_g为原始影像的局部灰度方差值；m_f为结果影像局部灰度均值的目标值，m_f应取影像动态范围的中值；v_f为结果影像的局部灰度方差的目标值，决定影像的反差，它的值越大，图像亮度对比度越大，直方图也越均衡；c∈[0，1]为影像方差的扩展常数，该值越大，对比度越好，该值应随着处理窗口的增大而增大；b∈[0，1]为影像的亮度系数，b-＞1时，影像的均值被强制到m_f，b-＞0时，影像的均值被强制到m_g。令称为

滤波器的乘性系数，r₀＝bm_f+(1-b)m_g称为滤波器的加性系数。

沃利斯滤波器图像增强方法的基本思想是将影像的灰度值的均值和方差映射到指定的均值和方差，使得影像反差增强，图像纹理更加突出，同时因为滤波器中引入了平滑因子，所以在增强图像对比度的同时具有抑制噪声的功能。但是，其存在的问题是计算效率低，分块处理出现明显的块效应。针对上述问题，本发明提供一种适用性广、计算效率高的低照度下图像增强方法。

本发明一种低照度下的图像增强方法，其具体实施方式如下所述：

步骤一：首先输入图像，将大小为M×N图像f(x，y)分为互不重叠的矩形区域Γ，如附图1所示，矩形区域大小相同，设为m×n，那么图像中矩形区域个数为(M/m)×(N/n)；

步骤二：设定沃利斯滤波滑动模板B的大小，一般设定该模板大小等于矩形区域大小的二倍，并选取矩形区域右下角的点为模板的中心点作为中心点，如附图2中所示的点(i，j)，向图像的四周扩展得到模板内的像素，若模板覆盖图像的区域超出图像区域，则以模板覆盖到的图像的区域作为模板内的像素；

该过程的示意图如附图2所示，以矩形区域4为例，对应于矩形区域4的模板以其右下角的点(i，j)为中心点，模板覆盖范围为标识号为1，2，3，4的矩形区域。则模板内的像素表示为：

B_pq＝{f(x，y)|x＝[i-l/2，…，i，…，i+l/2-1]，y＝[j-h/2，…，j，…j+h/2-1]

i＝i₁+(p-1)m，j＝j₁+(q-1)n}

其中，Γ_pq为图像中第(p，q)个矩形区域，p＝1，…，M/m，q＝1，…，N/n；

l×h代表滑动模板的大小，取为l＝2m，h＝2n；

(i₁，j₁)取为图像左上角的点(0，0)。

步骤三：对每个矩形区域Γ_pq，滤波器模板覆盖图像区域的均值和方差分别为：

${\mathrm{\ϵ}}_{\mathrm{pq}}=\frac{1}{\mathrm{lh}}\underset{x,y}{\mathrm{\Σ}}{B}_{\mathrm{pq}}(x,y)$

${\mathrm{\σ}}_{\mathrm{pq}}=\sqrt{\frac{1}{\mathrm{lh}}\underset{x,y}{\mathrm{\Σ}}{B}_{\mathrm{pq}}^2(x,y)-{{\mathrm{\ϵ}}_{\mathrm{pq}}}^2},p=1,...M/m,q=1,...N/n;$

步骤四：利用期望均值和方差求出每个矩形区域滤波器的乘性系数和加性系数；

假设变换后的图像的均值为ε_des，方差为σ_des，则对应于矩形区域Γ_pq内像素的沃利斯滤波乘性系数为：

${r1}_{\mathrm{pq}}=\frac{c{\mathrm{\σ}}_{\mathrm{des}}}{{\mathrm{c\σ}}_{\mathrm{pq}}+(1-c){\mathrm{\σ}}_{\mathrm{des}}}$

沃利斯滤波加性系数为：

r0_pq＝bε_des+(1-b)ε_pq

步骤五：利用双线性插值求出图像中不同象素点的乘性系数和加性系数；

对图像f(x，y)内的任意像素(x，y)∈Γ_pq，用双线性插值法来求出对应于它的沃利斯滤波系数，即

r1_xy＝Δy[Δxr1_pq+(1-Δx)r1_p+1q]+(1-Δy)[Δx1_pq+1+(1-Δx)r1_p+1q+1]

r0_xy＝Δy[Δxr0_pq+(1-Δx)r0_p+1q]+(1-Δy)[Δxr0_pq+1+(1-Δx)r0_p+1q+1]

其中，Δx＝[x-(p-1)m]/n，Δy＝[y-(q-1)n]/n

步骤六：基于上述系数，利用沃利斯滤波器，计算该点增强处理后的像素灰度值

g(x，y)＝(f(x，y)-ε_pq)r1_xy+r0_xy；

步骤七：当沃利斯滤波器的乘性系数小于1时，对滤波后的图像进行线性拉伸，提高对比度；

首先求出图像g(x，y)的均值ε_g和方差σ_g，然后按照下式实施线性对比度拉伸处理：

$t(x,y)=\frac{(g(x,y)-{\mathrm{\ϵ}}_g){\mathrm{\σ}}_{\mathrm{des}}}{{\mathrm{\σ}}_g}+{\mathrm{\ϵ}}_{\mathrm{des}}$

本发明方法与标准自适应插值直方图均衡图像增强方法的计算量对比分析：

本发明提出的自适应分块沃利斯滤波低照度图像增强方法中，计算覆盖图像块模板的滤波系数的存储量为M/m×N/n×2，而自适应插值直方图均衡图像增强方法中计算图像块的直方图均衡值的存储量为M×N，两种方法对图像块的操作次数是相同，都为M/m×N/n。

自适应插值直方图均衡图像增强方法和本发明中求沃利斯滤波系数的过程是不同的，前者是先对像素灰度值做统计分析，再做灰度映射变换；而本发明方法中，只需要计算沃利斯滤波器覆盖图像块模板的滤波系数，因此本发明方法计算量小于自适应插值直方图均衡图像增强方法。

Claims (1)

1.一种低照度图像增强方法，其特征是：该方法具体步骤如下：

步骤一：首先输入图像，将大小为M×N图像f(x，y)分为互不重叠的矩形区域Г，矩形区域大小相同，设为m×n，那么图像中矩形区域个数为(M/m)×(N/n)；

步骤二：设定沃利斯滤波滑动模板B的大小，设定该模板大小等于矩形区域大小的二倍，并选取矩形区域右下角的点为模板的中心点作为中心点(i，j)，向图像的四周扩展得到模板内的像素，若模板覆盖图像的区域超出图像区域，则以模板覆盖到的图像的区域作为模板内的像素；

步骤三：对每个矩形区域Г_pq，求滤波器模板覆盖图像区域的均值和方差；

其均值和方差分别为：

${\mathrm{\ϵ}}_{\mathrm{pq}}=\frac{1}{\mathrm{lh}}\underset{x,y}{\mathrm{\Σ}}{B}_{\mathrm{pq}}(x,y)$

${\mathrm{\σ}}_{\mathrm{pq}}=\sqrt{\frac{1}{\mathrm{lh}}\underset{x,y}{\mathrm{\Σ}}{B}_{\mathrm{pq}}^2(x,y)-{{\mathrm{\ϵ}}_{\mathrm{pq}}}^2},p=1,...M/m,q=1,...N/n;$

步骤四：利用期望均值和方差求出每个矩形区域滤波器的乘性系数和加性系数；

假设变换后的图像的均值为ε_des，方差为σ_des，则对应于矩形区域Г_pq内像素的沃利斯滤波乘性系数为：

${r1}_{\mathrm{pq}}=\frac{{\mathrm{c\σ}}_{\mathrm{des}}}{{\mathrm{c\σ}}_{\mathrm{pq}}+(1-c){\mathrm{\σ}}_{\mathrm{des}}}$

沃利斯滤波加性系数为：

r0_pq＝bε_des+(1-b)ε_pq；

步骤五：利用双线性插值求出图像中不同象素点的乘性系数和加性系数；

对图像f(x，y)内的任意像素(x，y)∈Г_pq，用双线性插值法来求出对应于它的沃利斯滤波系数，即

r1_xy＝Δy[Δxr1_pq+(1-Δx)r1_p+1q]+(1-Δy)[Δxr1_pq+1+(1-Δx)r1_p+1q+1]

r0_xy＝Δy[Δxy0_pq+(1-Δx)r0_p+1q]+(1-Δy)[Δxr0_pq+1+(1-Δx)r0_p+1q+1]

其中，Δx＝[x-(p-1)m]/m，Δy＝[y-(q-1)n]/n；

步骤六：基于上述系数，利用沃利斯滤波器，计算该点增强处理后的像素灰度值

g(x，y)＝(f(x，y)-ε_pq)r1_xy+r0_xy；

步骤七：当滤波器的乘性系数小于1时，对滤波后的图像进行线性拉伸，提高对比度；

首先求出图像g(x，y)的均值ε_g和方差σ_g，然后按照下式实施线性对比度拉伸处理：

$t(x,y)=\frac{(g(x,y)-{\mathrm{\ϵ}}_g){\mathrm{\σ}}_{\mathrm{des}}}{{\mathrm{\σ}}_g}+{\mathrm{\ϵ}}_{\mathrm{des}}.$

Images